Peluncuran Perangkat Lunak Pengenalan Suara Otonom oleh Speechmatics

Perusahaan rintisan teknologi pengenalan suara terkemuka Speechmatics telah meluncurkan perangkat lunak ‘Pengenalan Suara Otonom’ yang menggunakan teknik pembelajaran dalam dan model self-supervised terbaru. Sistem ini telah menunjukkan kemampuan untuk mengungguli Amazon (AMZN ), Google (GOOGL ), dan Microsoft.

Dataset Stanford

Speechmatics didasarkan pada dataset yang ditemukan dalam studi Stanford tentang ‘Perbedaan Rasial dalam Pengenalan Suara‘, dan telah mencapai akurasi keseluruhan sebesar 82,8% untuk suara Afrika-Amerika. Sebagai perbandingan, Google hanya mencapai akurasi sebesar 68,7%, sedangkan Amazon mencapai 68,6%.

Tingkat akurasi ini setara dengan penurunan 45% dalam kesalahan pengenalan suara, yang setara dengan tiga kata dalam kalimat rata-rata. Bukan hanya sistem Speechmatics baru yang akurat dalam hal ini, tetapi juga menunjukkan perbaikan akurasi di seluruh aksen, usia, dialek, dan berbagai karakteristik sosiodemografis lainnya.

Seringkali terjadi kesalahpahaman dalam pengenalan suara karena keterbatasan jumlah data yang dilabeli yang dapat digunakan algoritma untuk melatih diri. Data yang dilabeli diperlukan untuk diklasifikasikan secara manual oleh manusia, yang menghasilkan jumlah data yang lebih sedikit yang tersedia untuk sistem ini. Hal ini juga membatasi representasi semua suara, yang menciptakan serangkaian masalah baru.

Pelatihan pada Data yang Tidak Dilabeli

Speechmatics membuat kemajuan besar dalam hal ini karena teknologinya dilatih pada sejumlah besar data yang tidak dilabeli yang diperoleh langsung dari internet. Data ini berasal dari hal-hal seperti konten media sosial dan podcast.

Pembelajaran self-supervised telah memungkinkan sistem untuk dilatih pada 1,1 juta jam audio, yang merupakan peningkatan dari 30.000 jam sebelumnya. Hal ini memungkinkan sistem untuk memiliki representasi yang lebih luas dari suara, dan membantu mengurangi bias AI dan kesalahan dalam pengenalan suara.

Ketika datang ke suara anak-anak, Speechmatics juga menunjukkan kemampuan untuk mengungguli kompetitor. Suara anak-anak sangat sulit dikenali melalui teknologi pengenalan suara warisan, tetapi Speechmatics berhasil mencatat akurasi sebesar 91,8%. Google hanya mencapai 83,4% dan Deepgram 82,3%.

Katy Wigdahl adalah CEO Speechmatics.

“Kami berada dalam misi untuk menghadirkan generasi berikutnya dari kemampuan pembelajaran mesin, dan melalui itu menawarkan teknologi suara yang lebih inklusif dan dapat diakses. Pengumuman ini adalah langkah besar menuju pencapaian misi tersebut.”

“Fokus kami dalam menangani bias AI telah menghasilkan lompatan besar ke depan dalam industri pengenalan suara dan efek riak akan menyebabkan perubahan dalam berbagai skenario yang berbeda,” Wigdahl melanjutkan. “Pikirkan tentang caption yang salah yang kita lihat di media sosial, persidangan pengadilan di mana kata-kata salah ditranskripsikan dan platform eLearning yang telah bergelut dengan suara anak-anak selama pandemi. Kesalahan yang orang telah terima sampai sekarang dapat memiliki dampak nyata pada kehidupan sehari-hari mereka.”

Allison Zhu Koenecke adalah penulis utama studi Stanford tentang pengenalan suara.

“Sangat penting untuk mempelajari dan meningkatkan kesetaraan dalam sistem suara-ke-teks karena potensi untuk merugikan individu melalui sektor hilir yang beragam, mulai dari perawatan kesehatan hingga keadilan pidana.”